改进降噪自编码的航空发动机气路故障诊断

摘要

为提高故障诊断准确度,针对航空发动机气路故障中状态参数非线性强且易受噪声污染的问题,提出一种改进降噪自编码的航空发动机气路诊断方法。该方法在降噪自编码器(denoising autoencoder,简称DAE)基础上,采用改进萤火虫算法(firefly algorithm,简称FA)优化的径向基(radial basis function,简称RBF)神经网络,进行航空发动机故障诊断,DAE能够提取出更利于故障诊断的深层鲁棒特征。为了进一步提高算法的诊断准确度,引入惯性权重与自适应光强因子的改进FA来优化RBF网络从而得到萤火虫径向基(firefly radial basis function,简称FRBF)网络,再将DAE提取的特征导入其中进行故障诊断。通过实例,将提出方法与原始DAE、单独的FRBF、支持向量机(support vector machine,简称SVM)和RBF这4种算法进行对比,结果表明,所提出方法诊断精度最高,达到98.1%,且算法性能稳定,鲁棒性也优于其他几种方法。